A mesterséges intelligencia (MI) gyorsan az egyik legerősebb eszközzé vált a modern mérnöki munkában. A gyártásban alkalmazott prediktív karbantartástól kezdve az autonóm rendszereken és az intelligens tervezési optimalizáláson át az MI-technikák – különösen a gépi tanulás – hihetetlen ütemben alakítják át az iparágakat. Az MI azonban nem univerzális megoldás. Számos olyan mérnöki helyzet létezik, ahol az MI szükségtelen, nem hatékony, kockázatos vagy akár kontraproduktív. Legalább olyan fontos tudni, mikor ne használjunk MI-t, mint azt, mikor érdemes használni. A mérnököknek fel kell tenniük a kérdést, hogy az alábbi jellemzők közül mennyi igaz az adott problématérre. Minél több igaz közülük, annál kevésbé valószínű, hogy az MI-technológiák a megoldás részét képezik majd.
Determinisztikus problémák
Az MI kiválóan alkalmas minták azonosítására összetett, nagy dimenziójú adatokban, ahol az explicit szabályokat nehéz meghatározni. Ha azonban egy rendszert jól ismert fizikai törvények és determinisztikus egyenletek irányítanak, a hagyományos mérnöki módszerek általában jobbak. Például egy híd szerkezeti terhelésszámításai a mechanika és az anyagtudomány jól megalapozott elveire épülnek. A mérnökök analitikus egyenleteket és végeselem-módszereket használhatnak pontos, magyarázható eredmények előállítására. Ezeket gépi tanulási modellel helyettesíteni szükségtelen bizonytalanságot vezetne be. A determinisztikus módszereket gyorsabb validálni, könnyebb tanúsítani és átláthatóbbak. Ha a mérnökök klasszikus algoritmusokkal, optimalizálási technikákkal vagy fizikán alapuló modellezéssel megbízhatóan meg tudnak oldani egy problémát, az MI gyakran csak bonyolultabbá teszi a dolgokat, valódi előny nélkül.
Kevés, torzított vagy gyenge minőségű adat
Az MI-rendszerek – különösen a mélytanulási megközelítések – nagymértékben támaszkodnak nagy mennyiségű, jó minőségű adatra. Elegendő adat hiányában a modellek túltanulhatnak, rosszul általánosíthatnak vagy megbízhatatlan kimeneteket adhatnak, amelyeket gyakran hallucinációknak neveznek. Speciális mérnöki területeken, például egyedi repülőgép-alkatrészek tervezésénél vagy ritka hibamódok elemzésénél az adatok gyakran rendkívül korlátozottak. Egy modell ilyen körülmények közötti betanítása indokolatlan bizalmat eredményezhet pontatlan előrejelzésekben. Ilyen esetekben a szakértői tudás, a szimulációk és a fizikán alapuló következtetés megbízhatóbb. Továbbá, ha az adatok torzítottak vagy rendszerszinten hibásak, az MI-rendszerek felerősíthetik ezeket a hibákat. Mérnöki biztonsági környezetekben a torzított adatokra való támaszkodás veszélyes döntésekhez vezethet. Robusztus és reprezentatív adatkészletek nélkül az MI gyakran rossz választás.
A magyarázhatóság és az elszámoltathatóság kritikus
Sok MI-rendszer fekete dobozként működik, különösen a mély neurális hálózatok. Biztonságkritikus iparágakban – például a repülésben, az orvostechnikai eszközök területén, a nukleáris energiában vagy az autonóm járműveknél – a mérnököknek meg kell tudniuk magyarázni, hogy egy rendszer miért hozott egy adott döntést. Például a repülőgép-rendszereket felügyelő szabályozó hatóságok minden komponens nyomon követhetőségét és validációját megkövetelik. A mérnökök egy szabályalapú vezérlőrendszert formálisan verifikálhatnak. A neurális hálózatokat azonban gyakran nehéz megmagyarázni, mert belső döntéshozatali logikájuk átláthatatlan. Ha a mérnökök nem tudják indokolni, hogyan vagy miért adott egy modell bizonyos eredményt, a tanúsítás nehézzé válik. Magas felelősségi környezetekben az elszámoltathatóság és a magyarázhatóság fontosabb lehet a prediktív pontosságnál. Ilyen esetekben az egyszerűbb, értelmezhető modellek – vagy a hagyományos mérnöki módszerek – megfelelőbbek.
Előre jelezhető teljesítményt igényel
Egyes mérnöki rendszerek szigorú időzítési garanciákat követelnek meg. Az autóipari fékrendszerek beágyazott vezérlőrendszereinek, az elektromos hálózati védelmi reléknek vagy a legtöbb iparág ipari automatizálási rendszereinek pontos időkorlátokon belül kell reagálniuk. Az MI-modellek, különösen a nagy vagy összetett rendszerek, gyakran kiszámíthatatlan késleltetést vezetnek be vagy hardveres gyorsítást igényelnek. Ezzel szemben a determinisztikus vezérlőalgoritmusok előre jelezhető végrehajtási időt és jól jellemzett teljesítményt kínálnak. Azokban az alkalmazásokban, ahol az ezredmásodpercek számítanak és a meghibásodás fizikai károkat okozhat, az előre jelezhetőség gyakran fontosabb az alkalmazkodóképességnél. Az MI túl erőforrás-igényes vagy túl változó válaszkészségű az ilyen környezetekhez.
Az egyszerűbb megoldások elegendőek
Gyakori mérnöki hiba a túltervezés. Néha egy egyszerű szabályalapú rendszer, küszöblogika vagy statisztikai modell is hatékonyan megoldja a problémát. Például egy gyártóüzem hőmérséklet-szabályozó rendszere lehet, hogy csak egy arányos–integráló–deriváló (PID) szabályozót igényel — egy jól bevált visszacsatolt vezérlési technikát. Egy megerősítéses tanulási modell bevezetése növelné a fejlesztési időt, a validációs munkát és a karbantartási komplexitást anélkül, hogy érdemi többletelőnyt nyújtana. A mérnöki megoldásoknak arányban kell állniuk a probléma összetettségével. Ha egy egyszerűbb módszer eléri a szükséges pontosságot és megbízhatóságot, az MI túlzás.
Alacsony a biztonsági és kockázattűrési szint
Kritikus infrastruktúrákban – például nukleáris reaktorok vezérlésénél vagy életfenntartó rendszereknél – az előre nem látható viselkedés elfogadhatatlan. Az MI-rendszerek, különösen azok, amelyek idővel alkalmazkodnak vagy tanulnak, néha kiszámíthatatlan szélsőséges esetbeli viselkedést mutatnak. Bár az MI javíthatja az ilyen környezetek monitorozását vagy anomáliadetektálását, elsődleges döntéshozóként gyakran nem megfelelő. A mérnökök általában a fail-safe, determinisztikus rendszereket részesítik előnyben, amelyek mögött kiterjedt tesztelési múlt áll. Amikor a meghibásodás következményei katasztrofálisak lehetnek, a bizonyított megbízhatóság gyakran fontosabb a potenciális teljesítménynyereségnél.
A költségek meghaladják az előnyöket
Az MI-rendszerek fejlesztése adatgyűjtést, címkézést, modellbetanítást, telepítési infrastruktúrát, folyamatos monitorozást és karbantartást igényel. Kis léptékű projektek vagy alacsony haszonkulcsú alkalmazások esetén ezek a költségek meghaladhatják az MI által nyújtott értéket. Például egyszerű fogyasztási cikkek gyártása magas konzisztenciával és alacsony hibaaránnyal jól ismert folyamat. Egy ilyen folyamat MI-rendszerrel való vezérlésénél a költségek meghaladják az előnyöket. Sok MI-rendszer jelentős hosszú távú támogatást igényel: a modellek újratanítását a körülmények változásával, az adatkészletek frissítését és a kiberbiztonsági védelem fejlesztését. Ha a megtérülés alacsony vagy kérdéses, a hagyományos módszerek gazdaságosabbak.
A probléma szervezeti, nem technikai
Nem minden mérnöki kihívás technikai jellegű. Néha a hatékonysági problémák oka az elégtelen képzés, a gyenge kommunikáció, a tisztázatlan követelmények vagy a folyamatok rossz összehangolása. Az MI ilyen problématerekbe való bevezetése inkább elfedi az alapvető problémákat, mintsem megoldaná azokat. Például a prediktív analitika nem tudja kompenzálni a hibás karbantartási folyamatokat, a rosszul tervezett gépeket vagy a nem megfelelő létszámot. A szervezeti gyökérokok kezelése nagyobb hatású lehet, mint MI-eszközök bevezetése.
Amikor a korlátok akadályozzák a bevezetést
Az MI-rendszerek aggályokat vethetnek fel az igazságosság, az adatvédelem és a megfelelőség terén. Szigorú szabályozási keretek által irányított ágazatokban az MI bevezetése kiterjedt validációt és dokumentációt követel meg. Például az alábbi iparágak robusztus adatvédelmi keretrendszereket – például GDPR-t – és adatvédelmet igényelnek, mert nagy mennyiségű személyes adatot kezelnek:
Egészségügy és élettudományok
Pénzügyi szolgáltatások
Software-as-a-Service (SaaS)
Marketing, reklám, közösségi média
Oktatás
Közműszolgáltatások
Kiskereskedelem és e-kereskedelem
Szállítás és utazás
Ha a szabályozói jóváhagyási folyamatok hosszadalmasak vagy bizonytalanok, az egyszerűbb mérnöki megoldások valószínűleg gyorsabb megvalósítást tesznek lehetővé a megfelelőségi követelmények teljesítése mellett. Az MI egy átalakító erejű eszköz, amelyet a mérnökök gyors ütemben alkalmaznak a gazdaság szinte minden ágazatában, azonban nem univerzális csodaszer. A leginkább összetett, adatgazdag, mintázatalapú problémák esetén hatékony, amelyek ellenállnak az explicit modellezésnek. Ugyanakkor, amikor a problémák determinisztikusak, kevés az adat, elengedhetetlen a magyarázhatóság, szigorúak az időzítési korlátok, extrémek a biztonsági kockázatok, magasak a költségek vagy szervezeti problémák dominálnak, az MI rossz választás lehet. A jó mérnöki ítélőképesség azt jelenti, hogy a megfelelő eszközt választjuk a feladathoz. Néha ez az eszköz az MI. Máskor a matematika, a fizika, a szabályozáselmélet vagy egyszerűen egy jobb folyamattervezés. A cél nem a legfejlettebb elérhető technológia használata, hanem a legmegfelelőbbé.
Forrás: https://www.engineering.com/when-ai-isnt-the-right-tool-to-solve-an-engineering-problem/
